Cours de mathématiques ECT 2ème année Chapitre 8 Variables aléatoires à densité Adrien Fontaine Année scolaire 2018–2019 Cours de mathématiques ECT2 1. R APPELS SUR L A FONCTION DE RÉPARTITION Définition 1 : Soit X une variable aléatoire. On appelle fonction de répartition de la variable aléatoire X la fonction FX définie par : ∀x ∈ R , FX (x) = P(X É x) Proposition 1 : Soit X une variable aléatoire discrète définie sur (Ω, T , P). On note X(Ω) = {x 1 ; x 2 ; · · · } avec x 1 < x 2 < · · · . Alors : 0 si x < x1 P(X = x 1 ) + · · · + P(X = x k ) si x k É x < x k+1 . FX (x) = 1 si x Ê maxi ∈N x i En particulier, FX est constante sur [x k ; x k+1[. Exemple : Un sac contient 5 jetons numérotés de 1 à 5. Pour jouer une partie, on doit miser 1 e. On tire au hasard un jeton. Si on a le numéro 1, on gagne 4 e, si on a un numéro pair on reçoit 2 e et rien sinon. On note X le gain (algébrique). X est une variable aléatoire et X(Ω) = {−1; 1; 3}. La loi de la variable aléatoire X est donnée par : 2 2 , P(X = 1) = , 5 5 Ce que l’on peut résumer par le tableau suivant : P(X = 3) = P(X = −1) = x P(X = x) −1 2 5 1 3 2 5 1 5 1 . 5 Total 1 Dès lors, • Si x < −1, alors FX (x) = 0. 2 • Si −1 É x < 1, alors FX (x) = P(X = −1) = . 5 2 2 4 • Si 1 É x < 3, alors FX (x) = P(X = −1) + P(X = 1) = + = . 5 5 5 • Si x Ê 3, alors FX (x) = 1. Ce que l’on peut résumer par 0 si x < −1 2 si −1 É x < 1 5 . FX (x) = 4 si 1 É x < 3 5 1 si x Ê3 1 0.8 0.6 0.4 0.2 0 1 −9 −8 −7 −6 −5 −4 −3 −2 −1 2 2 3 4 5 6 7 8 9 Cours de mathématiques ECT2 2. G ÉNÉRALITÉS 2.1. Notion de variable aléatoire à densité Définition 2 : Soit X une variable aléatoire et FX sa fonction de répartition. On dit que X est une variable aléatoire à densité si, et seulement si, il existe une fonction f vérifiant les quatre conditions suivantes : • Pour tout x de R, f (x) Ê 0 ; • f est continue en un nombre fini de réels ; Z sur R sauf éventuellement Z +∞ +∞ f (t ) dt converge et on a : −∞ Zx f (t ) dt . • Pour tout x de R, FX (x) = • L’intégrale −∞ f (t ) dt = 1 ; −∞ Lorsque les conditions précédentes sont vérifiées, f est appelée densité de X. Définition 3 : Une fonction f est une densité de probabilité (ou plus simplement densité) si, et seulement si : • Pour tout x de R, f (x) Ê 0 ; • f est continue Z fini de points de discontinuité ; Z par morceaux avec un nombre • L’intégrale +∞ +∞ f (t ) dt converge et on a : −∞ −∞ f (t ) dt = 1. Exemple : On considère la fonction f suivante : f : R → x 7→ R ex (1 + e x )2 La fonction f est une densité de probabilité. • Pour tout x de R, e x > 0 et (1 + e x )2 > 0. Et donc, f (x) > 0. • La fonction f est continue sur R comme quotient de fonctions continues sur R. • Soit M Ê 0. Calculons : ZM ex dx x 2 0 (1 + e ) La fonction x 7→ −u ′ ex est de la forme avec u(x) = 1 + e x . Par ailleurs, (1 + e x )2 u2 −e x −u ′ (x) = u(x)2 (1 + e x )2 Donc, une primitive est donnée par : − Dès lors, ZM 0 Enfin, −1 1 = u(x) 1 + e x h −1 iM 1 1 ex = − M dx = x 2 x (1 + e ) e 0 2 e 1 1 − M =1 M→+∞ 2 e lim 3 Cours de mathématiques ECT2 Donc, l’intégrale Z+∞ 0 ex dx converge et : (1 + e x )2 Z+∞ ex 1 dx = x 2 (1 + e ) 2 0 De même, pour m É 0 : Z0 m Et h −1 i0 1 1 ex = dx = − (1 + e x )2 ex m 1 + em 2 1 1 1 − = 1− m m→−∞ 1 + e 2 2 lim Donc, l’intégrale ex dx converge et : x 2 −∞ (1 + e ) Z0 1 ex dx = x 2 2 −∞ (1 + e ) Z0 ex dx converge et : x 2 −∞ (1 + e ) Z+∞ Z0 Z+∞ 1 1 ex ex ex dx = dx + dx = + =1 x 2 x 2 (1 + e x )2 2 2 −∞ (1 + e ) −∞ (1 + e ) 0 Bref, l’intégrale Z+∞ La fonction f vérifie donc bien les trois points de la définition ci-dessus. Donc, f est bien une densité de probabilité. Théorème 1 : Si X est une variable aléatoire à densité, de fonction de répartition FX et de densité f , alors, en chaque réel x où f est continue, on a : f (x) = F′X (x). Théorème 2 : Si X est une variable à densité de densité, de fonction de répartition FX , alors toute fonction f à valeurs positives qui vérifie f (x) = F′X (x) (sauf éventuellement en un nombre fini de points) est une densité de X. ½ 0 si 1 − x1 si On admet que X est une variable aléatoire à densité. Déterminer une densité de X. La fonction FX est dérivable sur R \ {1} et pour tout x ∈ R : 0 si x < 1 ′ 1 FX (x) = si x > 1 x2 Exemple : Soit X une variable aléatoire de fonction de répartition FX(x) = x <1 . x Ê1 Donc, une densité de f est donnée par : 0 1 f (x) = x2 si x <1 si x Ê1 Remarque : Il n’y a pas unicité d’une densité pour une variable à densité donnée. En effet, si f est une densité de X, alors toute fonction g positive, égale à f , sauf en un nombre fini de points, est également une densité de X. 4 Cours de mathématiques ECT2 2.2. Calculs de probabilités avec des variables aléatoires à densité Proposition 2 : Soit X une variable aléatoire à densité, FX sa fonction de répartition et fZ X une densité de X. a f (t ) dt . Alors : Soient a et b deux réels avec a < b. On rappelle que P(X É a) = FX (a) = −∞ • Za P(X < a) = P(X É a) = FX (a) = • −∞ f X (t ) dt P(X = a) = 0 • Z+∞ P(X Ê a) = P(X > a) = 1 − FX (a) = a f X (t ) dt • P(a < X < b) = P(a É X < b) = P(a < X É b) = P(a É X É b) = FX (b) − FX (a) = Zb a f X (t ) dt Exemple : ½ 0 si x < 2 . 1 − x83 si x Ê 2 On admet que X est une variable aléatoire à densité. Calculer P(X Ê 0), P(−1 É X < 3) et P(X < 4). D’après la proposition ci-dessus, on a : 1. Soit X une variable aléatoire, de fonction de répartition FX (x) = P(X Ê 0) = 1 − FX (0) = 1 − 0 = 1 8 19 8 −0 = 1− = 3 3 27 27 8 8 1 7 P(X < 4) = FX (4) = 1 − 3 = 1 − = 1− = 4 64 8 8 P(−1 É X < 3) = FX (3) − FX (−1) = 1 − 2. Soit X une variable aléatoire à densité, de densité f X (t ) = ½ 0 e −t P(X É 2), P(2 < X É 3) et P(X Ê 1). D’après la proposition ci-dessus, on a : P(X É 2) = Z2 f X (t ) dt = Z2 P(2 < X É 3) = Z3 −∞ P(X Ê 1) = car f X (t ) = 0 si t É 0 f X (t ) dt = Z3 f X (t ) dt = 1 2 Z+∞ e −t dt e −t dt 1 Une primitive de e −t est donnée par −e −t , donc : P(X É 2) = Z2 P(2 < X É 3) = e −t 0 Z3 2 h dt = − e −t i2 0 = 1 − e −2 h i3 e −t dt = − e −t = e −2 − e −3 2 5 t É0 . Calculer t >0 e −t dt 0 2 Z+∞ si si Cours de mathématiques ECT2 Enfin, soit M Ê 1. On a : ZM 1 h iM e −t dt = − e −t = e −1 − e −M 1 Or, lim e −1 − e −M = e −1 M→+∞ Donc, P(X Ê 1) = Z+∞ 1 e −t dt = e −1 2.3. Espérance d’une variable à densité Définition 4 : Sous réserve de convergence de l’intégrale écrite, l’espérance de X est le réel, noté E(X), défini par : E(X) = Z+∞ t f (t ) dt −∞ Exemple : Soit X une variable aléatoire de densité f (t ) = ½ 0 e −t une espérance ? Si oui, la calculer. Il nous faut étudier la convergence de l’intégrale généralisée Z+∞ f (t ) dt si t É0 X admet-elle si t > 0 −∞ Comme f est nulle sur ] − ∞; 0], l’intégrale sur ] − ∞; 0] converge et vaut 0. Par ailleurs, soit M Ê 0. Calculons : Z M t e −t dt 0 Pour cela, on effectue une intégration par parties en posant : ½ ½ ′ u(t ) = t u (t ) = 1 ′ −t v (t ) = e v (t ) = −e −t On a alors : ZM 0 te −t h −t iM ZM + e −t dt 0 h iM = −Me −M + − e −t dt = − t e 0 0 = −Me −M +1−e −M Or, lim −Me −M + 1 − e −M = 1 M→+∞ Donc, l’intégrale Z+∞ t e −t dt converge et 0 Z+∞ 0 t e −t dt = 1 6 Cours de mathématiques Bref, l’intégrale Z+∞ ECT2 t e −t dt converge et vaut 1. Ainsi, X admet une espérance et −∞ E(X) = 1 Proposition 3 : Soit X une variable aléatoire à densité admettant une espérance et soient a et b deux réels. Si a 6= 0, la variable aléatoire Y = aX + b admet une espérance et : E(aX + b) = a E(X) + b 2.4. Variance d’une variable aléatoire à densité Définition 5 : Une variable aléatoire X de densité f admet un moment d’ordre 2 lorsque X 2 admet une espérance. Dans ce cas, on appelle moment d’ordre 2 de X, le réel : 2 E(X ) = Z+∞ t 2 f (t ) dt −∞ Définition 6 : Si une variable aléatoire X de densité f admet un moment d’ordre 2, alors on appelle variance de X, et on note V(X), le réel défini par : V(X) = Z+∞ −∞ (t − E(X))2 f (t ) dt Définition 7 : Si X est une variable aléatoire à densité admettant une variance, on appelle écart-type de X, le réel positif, noté σX , défini par : p σX = V(X) Théorème 3 : Formule de König-Huygens Si X est une variable aléatoire à densité possédant une variance, alors on a : V(X) = E(X 2 ) − E(X)2 Méthode 1 : Montrer qu’une variable à densité possède une variance et la calculer • Si X n’admet pas d’espérance, alors elle n’admet pas de variance. • Si X admet une espérance, il faut regarder si E(X 2 ) existe. ⋄ Si non, alors X n’admet pas de variance. ⋄ Si oui, alors on utilise la formule de König-Huygens V(X) = E(X 2 ) − E(X)2 , pour la calculer. 7 Cours de mathématiques ECT2 Exemple : Soit X une variable aléatoire de densité f (t ) = ½ 0 e −t si t É0 X admet-elle si t > 0 une variance ? Si oui, la calculer. On a déjà Z vu que X admet une espérance et que E(X) = 1. Regardons si E(X 2 ) existe, i.e si l’intégrale +∞ t 2 f (t )dt converge. −∞ Comme f est nulle sur ] − ∞; 0], l’intégrale M Ê 0. Calculons : ZM 0 Z0 f (t ) dt converge et vaut 0. Soit maintenant −∞ 2 t f (t ) dt = ZM t 2 e −t dt 0 Pour cela, on effectue une première intégration par parties, en posant : ½ ′ ½ u (t ) = 2t u(t ) = t 2 ′ −t v (t ) = −e −t v (t ) = e On a alors : ZM 2 −t t e 0 h 2 −t ZM iM +2 t e −t dt 0 ZM 2 −M = −M e + 2 t e −t dt dt = − t e 0 0 Or, on a déjà vu que : ZM 0 Donc, ZM 0 t e −t dt = −Me −M + 1 − e −M t 2 e −t dt = −M2 e −M − 2Me −M + 2 − 2e −M Or, lim −M2 e −M − 2Me −M + 2 − 2e −M = 2 M→+∞ Donc, l’intégrale Z+∞ f (t ) dt converge et vaut 2. Donc, l’intégrale 0 Z+∞ f (t ) dt converge et −∞ vaut 2. Autrement dit, E(X 2 ) existe et vaut 2. Donc, X admet une variance que l’on peut obtenir par la formule de König-Huygens : V(X) = E(X 2 ) − E(X)2 = 2 − 12 = 1 Proposition 4 : Si X est une variable aléatoire possédant une variance, alors quels que soient les réels a et b, aX +b admet une variance, et on a : V(aX + b) = a 2 V(X) Exemple : On reprend la variable aléatoire X de l’exemple précédent, et on note Y = 3 − 2X. Y admet-elle une variance ? Si oui, la calculer. D’après la propriété ci-dessus, Y admet une variance et : V(Y) = V(3 − 2X) = (−2)2 V(X) = 4 × 1 = 4 8 Cours de mathématiques ECT2 3. L OIS USUELLES À DENSITÉ 3.1. Loi uniforme sur un intervalle Dans ce paragraphe, a et b sont des nombres réels avec a < b. La loi uniforme sur [a; b] est la loi du tirage au hasard d’un nombre dans cet intervalle : la variable X a autant de chance de tomber n’importe où dans l’intervalle [a; b]. Définition 8 : On dit que X suit la loi uniforme sur [a; b] lorsque X est la variable aléatoire de densité f définie par : ½ 1 si t ∈ [a; b] f (t ) = b−a 0 si t ∉ [a; b] On note : X ∼ U ([a; b]). Remarque : 1 b−a 0 a b 1 est bien une densité de probabilité sur [a; b] : b−a • f est continue sur R \ {a; b} et positive. ¸b · Z+∞ Zb b a t 1 = • dt = − = 1. f (t ) dt = b−a a b−a b−a −∞ a b−a La fonction f définie sur [a; b] par f (t ) = Proposition 5 : Si X ∼ U ([a; b]), alors la fonction de répartition FX 0 x −a FX (x) = b−a 1 de X est donnée par : si x<a si x ∈ [a; b] si x >b Donnons la représentation graphique de FX : 1 a 0 b Proposition 6 : Si X ∼ U ([a; b]), alors X admet une espérance et une variance, et : E(X) = a +b 2 et V(X) = 9 (b − a)2 12 Cours de mathématiques ECT2 Exemple : Le temps d’attente T, en minutes, auprès du standard téléphonique du service après vente d’une entreprise suit la loi uniforme sur l’intervalle [0, 5; 9, 5]. 1. Quelle est la probabilité que le temps d’attente soit inférieur à 2 minutes ? 2. Quelle est la probabilité que le temps d’attente soit supérieur à 3 minutes ? 3. Quel est le temps d’attente moyen auprès du standard téléphonique ? 1. La probabilité que le temps d’attente soit inférieur à 2 minutes est : P (X É 2) = FX (2) = 2 − 0, 5 1 = 9 6 2. La probabilité que le temps d’attente soit supérieur à 3 minutes est : P (X Ê 3) = 1 − FX (3) = 9, 5 − 3 13 = 9 18 3. L’espérance mathématique de T est 0, 5 + 9, 5 =5 2 Le temps d’attente moyen auprès du standard téléphonique est de 5 minutes. E(T) = 3.2. Loi exponentielle Dans ce paragraphe, λ désigne un nombre réel strictement positif. Définition 9 : On dit que X suit la loi exponentielle de paramètre λ lorsque X est la variable aléatoire de densité f définie par : ½ λe −λt si t Ê 0 f (t ) = 0 si t < 0 On note X ∼ E (λ). λ f Proposition 7 : Si X ∼ E (λ), alors alors la fonction de répartition FX de X est donnée par : FX (x) = ½ 1 − e −λx 0 si si x Ê0 x <0 FX 1 10 Cours de mathématiques ECT2 Proposition 8 : Si X ∼ E (λ), alors X admet une espérance et une variance, et : E(X) = 1 λ et V(X) = 1 λ2 Remarque : Les lois exponentielles sont utilisées pour modéliser des « durées de vie ». 3.3. Loi normale Dans ce paragraphe, m désigne un nombre réel et σ un réel strictement positif. Définition 10 : On dit que X suit la loi normale de paramètre m et σ2 lorsque X est la variable aléatoire de densité f définie par : 2 1 − (t−m) ∀t ∈ R , f (t ) = p e 2σ2 σ 2π On note X ∼ N (m, σ2 ). Proposition 9 : Si X ∼ N (m, σ2 ), alors X admet une espérance et une variance et : E(X) = m et V(X) = σ2 3.4. Loi normale centrée réduite Définition 11 : On dit que X suit la loi normale centrée réduite lordque X est la variable aléatoire de densité f définie par : 1 2 1 ∀t ∈ R , f (t ) = p e − 2 t 2π On note X ∼ N (0, 1). La courbe de la fonction de densité de la loi normale centrée réduite N (0; 1) est symétrique par rapport à l’axe des ordonnées, donc les probabilités P (X É 0) et P (X Ê 0) sont égales. Comme P (X É 0) + P (X > 0) = 1, on en déduit que 1 P (X É 0) = P (X Ê 0) = 2 0,4 0,3 P (X É 0) P (X Ê 0) 0,2 0,1 -3 -2 -1 0 1 2 3 Définition 12 : La fonction de répartition d’une variable aléatoire qui suit la loi N (0, 1) est la fonction, notée Φ, définie par : Zx −t 2 1 e 2 dt ∀x ∈ R , Φ(x) = p 2π −∞ 11 Cours de mathématiques ECT2 Théorème 4 : On a déjà vu que Φ(0) = 21 . Plus généralement, pour tout réel x, on a : Φ(−x) = 1 − Φ(x) Remarque : On ne sait pas expliciter Φ à l’aide des fonctions usuelles. Proposition 10 : Si X est une variable aléatoire suivant la loi N (0, 1), alors X admet une espérance et une variance et : E(X) = 0 et V(X) = 1 Théorème 5 : Soit X une variable aléatoire. Alors : X suit la loi N (m, σ2 ) ⇐⇒ 12 X−m suit la loi N (0, 1) σ Cours de mathématiques ECT2 Fonction de répartition Φ d’une variable aléatoire X suivant la Loi Normale Centrée Réduite N (0; 1). Φ(x) = P(X É x) = x 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 3.0 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 0.00 0.5000 0.5398 0.5793 0.6179 0.6554 0.6915 0.7257 0.7580 0.7881 0.8159 0.8413 0.8643 0.8849 0.9032 0.9192 0.9332 0.9452 0.9554 0.9641 0.9713 0.9772 0.9821 0.9861 0.9893 0.9918 0.9938 0.9953 0.9965 0.9974 0.9981 0.9987 0.9990 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 1.0000 0.01 0.5040 0.5438 0.5832 0.6217 0.6591 0.6950 0.7291 0.7611 0.7910 0.8186 0.8438 0.8665 0.8869 0.9049 0.9207 0.9345 0.9463 0.9564 0.9649 0.9719 0.9778 0.9826 0.9864 0.9896 0.9920 0.9940 0.9955 0.9966 0.9975 0.9982 0.9987 0.9991 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 1.0000 0.02 0.5080 0.5478 0.5871 0.6255 0.6628 0.6985 0.7324 0.7642 0.7939 0.8212 0.8461 0.8686 0.8888 0.9066 0.9222 0.9357 0.9474 0.9573 0.9656 0.9726 0.9783 0.9830 0.9868 0.9898 0.9922 0.9941 0.9956 0.9967 0.9976 0.9982 0.9987 0.9991 0.9994 0.9995 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 Zx t2 1 e − 2 dt et Φ(−x) = 1 − Φ(x) p −∞ 2π 0.03 0.5120 0.5517 0.5910 0.6293 0.6664 0.7019 0.7357 0.7673 0.7967 0.8238 0.8485 0.8708 0.8907 0.9082 0.9236 0.9370 0.9484 0.9582 0.9664 0.9732 0.9788 0.9834 0.9871 0.9901 0.9925 0.9943 0.9957 0.9968 0.9977 0.9983 0.9988 0.9991 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.04 0.5160 0.5557 0.5948 0.6331 0.6700 0.7054 0.7389 0.7704 0.7995 0.8264 0.8508 0.8729 0.8925 0.9099 0.9251 0.9382 0.9495 0.9591 0.9671 0.9738 0.9793 0.9838 0.9875 0.9904 0.9927 0.9945 0.9959 0.9969 0.9977 0.9984 0.9988 0.9992 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 13 0.05 0.5199 0.5596 0.5987 0.6368 0.6736 0.7088 0.7422 0.7734 0.8023 0.8289 0.8531 0.8749 0.8944 0.9115 0.9265 0.9394 0.9505 0.9599 0.9678 0.9744 0.9798 0.9842 0.9878 0.9906 0.9929 0.9946 0.9960 0.9970 0.9978 0.9984 0.9989 0.9992 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.06 0.5239 0.5636 0.6026 0.6406 0.6772 0.7123 0.7454 0.7764 0.8051 0.8315 0.8554 0.8770 0.8962 0.9131 0.9279 0.9406 0.9515 0.9608 0.9686 0.9750 0.9803 0.9846 0.9881 0.9909 0.9931 0.9948 0.9961 0.9971 0.9979 0.9985 0.9989 0.9992 0.9994 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.07 0.5279 0.5675 0.6064 0.6443 0.6808 0.7157 0.7486 0.7794 0.8078 0.8340 0.8577 0.8790 0.8980 0.9147 0.9292 0.9418 0.9525 0.9616 0.9693 0.9756 0.9808 0.9850 0.9884 0.9911 0.9932 0.9949 0.9962 0.9972 0.9979 0.9985 0.9989 0.9992 0.9995 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.08 0.5319 0.5714 0.6103 0.6480 0.6844 0.7190 0.7517 0.7823 0.8106 0.8365 0.8599 0.8810 0.8997 0.9162 0.9306 0.9429 0.9535 0.9625 0.9699 0.9761 0.9812 0.9854 0.9887 0.9913 0.9934 0.9951 0.9963 0.9973 0.9980 0.9986 0.9990 0.9993 0.9995 0.9996 0.9997 0.9998 0.9999 0.9999 0.9999 1.0000 0.09 0.5359 0.5753 0.6141 0.6517 0.6879 0.7224 0.7549 0.7852 0.8133 0.8389 0.8621 0.8830 0.9015 0.9177 0.9319 0.9441 0.9545 0.9633 0.9706 0.9767 0.9817 0.9857 0.9890 0.9916 0.9936 0.9952 0.9964 0.9974 0.9981 0.9986 0.9990 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 0.9999 1.0000 Cours de mathématiques ECT2 4. E XERCICES 8.1 Soit f la fonction définie sur R par : f (x) = ½ 2x 0 si x ∈ [0; 1] sinon 1. Montrer que f est une densité de probabilité. 2. Déterminer la fonction de répartition d’une variable aléatoire X admettant f pour densité. 9 3. Calculer P(X É 12 ), P( 14 É X É 43 ) et P(X > 10 ). 8.2 Déterminer l’unique nombre a ∈ R tel que la fonction définie par : f (x) = ½ ax(1 − x) 0 si x ∈ [0; 1] sinon soit une densité de probabilité. 8.3 Soit f la fonction définie sur R par : f (x) = ½ 6x(1 − x) 0 si x ∈ [0; 1] sinon 1. Montrer que f est une densité de probabilité. 2. Déterminer la fonction de répartition FX d’une variable aléatoire X admettant f pour densité. 3. Déterminer l’espérance de X. 4. On pose Y = 3X + 2. Alors Y est à densité. Déterminer sa fonction de répartition FY . 5. Déterminer une densité f Y de Y. 6. Déterminer l’espérance de Y. 8.4 On considère la fonction f définie par : f (x) = ½ 0 1 x2 si si x É1 x >1 1. Justifier que f est une densité. 2. Soit X une variable aléatoire de densité f . Déterminer : a. P(X É 0) d. P(X É 2) c. P(X > 1) f. P(X ∈]2; 3[) b. P(X É 1) e. P(X É 3) 8.5 Soit X une variable aléatoire qui suit la loi uniforme sur [1; 2]. On note Y la variable aléatoire définie par Y = 3X. Le but de cet exercice est de déterminer la loi de Y. On note FX la fonction de répartition de X et FY la fonction de répartition de Y. 1. Déterminer, pour tout réel x, l’expression de FX (x). 14 Cours de mathématiques ECT2 2. Justifier que, pour tout réel y, on a : FY (y) = FX ³y´ 3 3. En déduire, pour tout réel y, l’expression de FY(y). (on fera une distinction des cas selon les valeurs de y). 4. En déduire la loi de Y. 8.6 Soit X une variable aléatoire qui suit la loi exponentielle de paramètre 1. On note Y la variable aléatoire définie par Y = 21 X. Le but de cet exercice est de déterminer la loi de Y. On note FX la fonction de répartition de X et FY la fonction de répartition de FY . 1. Déterminer, pour tout réel x, l’expression de FX (x). 2. Justifier que, pour tout réel y, on a : FY (y) = FX (2y) 3. En déduire, pour tout réel y, l’expression de FY (y) en distinguant les cas y < 0 et y Ê 0. 4. En déduire la loi de Y. 5. Déterminer P(Y É 3) et P[YÉ3] (Y > 1). 8.7 La nuit, dans la savane, un lion se rend à la rivière pour boire et y reste un quart d’heure. Après de nombreuses observations, on estime que l’instant d’arrivée T du lion à la rivière se situe entre 0h (minuit) et 2h du matin. La variable aléatoire T, exprimée en heures, est une variable aléatoire dont une densité de probabilité est la fonction f définie par : f (t ) = 0 3 t (2 − t ) 4 0 si si si t <0 0Ét É2 t >2 1. Vérifier que f est une densité de probabilité. 2. Un observateur se présente à la rivière à 0h30 min et y reste un quart d’heure. Quelle est la probabilité pour qu’il aperçoive le lion ? 8.8 Le fonctionnement d’une machine est perturbé par des pannes. On considère les variables aléatoires X 1 , X 2 et X 3 définies par : • X 1 est le temps, exprimé en heures écoulé entre la mise en route de la machine et la première panne ; • X 2 est le temps, exprimé en heures, écoulé entre la remise en route de la machine après la première panne, et la panne suivante ; • X 3 est le temps, exprimé en heures, écoulé entre la remise en route de la machine après la seconde panne et la panne suivante. Après la troisième panne, l’utilisation de la machine est suspendue. On suppose que les variables aléatoires X 1 , X 2 et X 3 sont mutuellement indépendantes et suivent toutes les trois la loi exponentielle de paramètre 12 . 1. Quelle est la durée moyenne de fonctionnement de la machine entre la mise en route de la machine et la première panne ? Entre la mise en route de la machine après la première panne et la seconde panne ? Entre la mise en route de la machine après la seconde panne et la troisième panne ? 15 Cours de mathématiques ECT2 2. Déterminer la probabilité de l’évènement E : « chacune des trois périodes de fonctionnement de la machine dure plus de 2 heures ». 8.9 d’après ESCP 2014 Soit a un réel strictement positif et f la fonction définie sur R par : f (t ) = 2e −2(t−a) 0 ½ si t Êa sinon 1. a. Soit B un réel supérieur ou égal à a. Calculer l’intégrale Z+∞ b. En déduire la valeur de l’intégrale 2e −2(t−a) dt . ZB 2e −2(t−a) dt . a a 2. Montrer que f est une densité de probabilité. 3. Montrer que la fonction de répartition FX de X est donnée par : FX (x) = ½ 1 − e −2(x−a) 0 si xÊa sinon 4. On considère la variable aléatoire Y définie par Y = X − a. a. Déterminer la fonction de répartition FY de Y. b. En déduire que Y suit une loi exponentielle dont on précisera le paramètre. c. Donner la valeur de l’espérance de Y. d. En déduire que X admet une espérance et donner sa valeur. 8.10 d’après ESC 2010 Soit f la fonction définie sur R par : f (t ) = ½ 1 2t 0 si t ∈]0; 2] sinon 1. a. Montrer que f est une densité de probabilité. b. On note désormais X une variable aléatoire de densité f , et on note F sa fonction de répartition. Rappeler l’intégrale permettant de calculer F(x) en fonction de la densité f . Calculer F(x) en séparant les cas x É 0, x ∈]0; 2] et x > 2. c. Calculer la probabilité P(X É 1) et la probabilité P( 21 < X É 1). 2. Déterminer l’espérance de X. Soient U la variable aléatoire définie par U = X 2 et G sa fonction de répartition. 3. Déterminer U(Ω) puis justifier que G(x) = 0 si x É 0, et que G(x) = 1 si x > 4. p p 4. a. Justifier l’égalité des évènements [U É 2] et [− 2 É X É 2], puis en déduire G(2). b. Plus généralement, montrer que si 0 < x É 4, alors G(x) = 41 x. c. Dresser un bilan pour la fonction G puis reconnaître la loi de U. d. En déduire l’espérance E(U) puis la valeur de la variance de X. 8.11 16 Cours de mathématiques 1. Soit X ∼ N (0, 1). a. Calculer P(X < 0). b. Calculer P(X > 3). c. Calculer P(−1, 96 < X < 1, 96). 2. Soit X ∼ N (−3, 1). ECT2 a. Calculer −1). b. Calculer −5). P(X < P(X > c. Calculer P(−5 < X < −1). 3. Soit X ∼ N (8, 4). a. Calculer 7, 5). P(X < b. Calculer 8, 5). P(X > c. Calculer P(6, 5 < X < 10). 8.12 La variable aléatoire qui correspond aux commandes quotidiennes en antalgiques (aspirine, ibuprofène, etc) suit une loi normale d’espérance 250 et d’écart-type 20. Le stock disponible en début de matinée est de 300 antalgiques. Quelle est la probabilité qu’il y ait rupture de stock ? 8.13 Suite à une étude statistiques sur le remplissage de ses vols, une compagnie aérienne a calculé qu’en moyenne, le nombre de ses passagers présents par rapport au nombre de billets vendus était de 80% avec un écart-type de 5%. Elle décide de modéliser le nombre de passagers présents sur le prochain vol par une loi normale. 1. Pour un vol de 272 places, si elle vend vend exactement 272 billets, quelles sont les caractéristiques de la loi normale qui décrit le nombre de passagers présents (espérance, écart-type) ? 2. Dans ce cas, quelle est la probabilité qu’il reste 20 places libres ? 3. La compagnie décide maintenant de vendre 300 billets. Quelle est la probabilité qu’un voyageur ne puisse pas rentrer dans l’avion. 4. Quel est nombre maximum de billets que la compagnie aérienne doit vendre si elle accepte que certains voyageurs ne puissent pas monter dans un vol sur 10 ? 8.14 Après une enquête, on estime que le temps de passage en caisse, exprimé en unité de temps, est une variable aléatoire T dont une densité de probabilité est donnée par la fonction f définie par : ½ 0 si x < 0 f (x) = −x xe si x Ê 0 1. Exprimer chacune des probabilités P(T É 2), P(T Ê 1) et P(1 É T É 4) sous forme d’une intégrale. 2. Rappeler la définition d’une densité de probabilité d’une variable aléatoire X suivant la loi exponentielle de paramètre 1. Donner la valeur de l’espérance et de la variance de X. 3. Utiliser la question précédente pour justifier que f est une densité de probabilité puis montrer que T admet une espérance que l’on déterminera. Quel est le temps moyen de passage en caisse ? 4. Démontrer que la fonction de répartition FT de T est définie par : ½ 0 si x < 0 f (x) = 1 − (x + 1)e −x si x Ê 0 5. Montrer que la probabilité que le temps de passage en caisse soit inférieur à deux unités de temps sachant qu’il est supérieur à une unité de temps est égale à : 2e − 3 2e 17 5. TABLE DES MATIÈRES 1 Rappels sur la fonction de répartition 2 2 Généralités 2.1 Notion de variable aléatoire à densité . . . . . . . . . . . . . . 2.2 Calculs de probabilités avec des variables aléatoires à densité 2.3 Espérance d’une variable à densité . . . . . . . . . . . . . . . . 2.4 Variance d’une variable aléatoire à densité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 5 6 7 3 Lois usuelles à densité 3.1 Loi uniforme sur un intervalle 3.2 Loi exponentielle . . . . . . . . 3.3 Loi normale . . . . . . . . . . . 3.4 Loi normale centrée réduite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 9 10 11 11 4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14